Масштабируемое предварительное обучение крупных авторегрессивных моделей для изображений
Scalable Pre-training of Large Autoregressive Image Models
January 16, 2024
Авторы: Alaaeldin El-Nouby, Michal Klein, Shuangfei Zhai, Miguel Angel Bautista, Alexander Toshev, Vaishaal Shankar, Joshua M Susskind, Armand Joulin
cs.AI
Аннотация
В данной статье представлена AIM — набор моделей компьютерного зрения, предварительно обученных с использованием авторегрессивной задачи. Эти модели вдохновлены своими текстовыми аналогами, такими как крупные языковые модели (LLM), и демонстрируют схожие свойства масштабируемости. В частности, мы выделяем два ключевых результата: (1) качество визуальных признаков масштабируется как с увеличением ёмкости модели, так и с ростом объёма данных; (2) значение целевой функции коррелирует с производительностью модели на последующих задачах. Мы демонстрируем практическую значимость этих результатов, предварительно обучив модель AIM с 7 миллиардами параметров на 2 миллиардах изображений, которая достигает 84,0% точности на ImageNet-1k с замороженным основным блоком. Интересно, что даже на таком масштабе мы не наблюдаем признаков насыщения производительности, что позволяет предположить, что AIM может представлять собой новый рубеж в обучении крупномасштабных моделей компьютерного зрения. Предварительное обучение AIM аналогично обучению LLM и не требует специфических для изображений стратегий для стабилизации обучения на больших масштабах.
English
This paper introduces AIM, a collection of vision models pre-trained with an
autoregressive objective. These models are inspired by their textual
counterparts, i.e., Large Language Models (LLMs), and exhibit similar scaling
properties. Specifically, we highlight two key findings: (1) the performance of
the visual features scale with both the model capacity and the quantity of
data, (2) the value of the objective function correlates with the performance
of the model on downstream tasks. We illustrate the practical implication of
these findings by pre-training a 7 billion parameter AIM on 2 billion images,
that achieves 84.0% on ImageNet-1k with a frozen trunk. Interestingly, even at
this scale, we observe no sign of saturation in performance, suggesting that
AIM potentially represents a new frontier for training large-scale vision
models. The pre-training of AIM is similar to the pre-training of LLMs, and
does not require any image-specific strategy to stabilize the training at
scale.